如何让AI释放企业数据价值，成为用户经营决策利器？

如何运用大模型和AI赋能企业，实现AI能力跟数字化落地？

今天将从数据到决策的数字化理解、企业数据分析的痛点洞察、决策支持的解决方案、以及在零售企业内的案例分享，以上四个方面展开。

分享嘉宾｜林庆治 飞算科技首席数据官

内容已做精简，如需和专家交流&获取专家完整版视频实录，请扫码。

01从数据到决策的数字化理解

企业数据到决策的过程，可以从商业价值和分析方法两个维度去看。

商业价值是以数据为起点，以决策为终点。同时决策不只是一个战略，也是实际可以落地的，包括对哪些人要做什么事，怎么去销售产品，这都属于是最终决策。但也会发现这个决策过程是漫长的，从一开始看到发生了什么事，再到做一些数量、频率、程度、数据集中区域的分析，最后是接下来会发生什么事情以及最佳解决方案。

要实现上述的商业价值路径，中间需要非常多的分析过程，包括从所谓的数据访问到数据管理，再到所谓的BIReport、预测、预测模型和最优处理方式。这些都还没有到决策层面，只在解释4件事情：第一个是发生什么事情，第二是为什么发生？第三个是将发生什么？第四个是该怎么做？同时根据这四件事，可以分成四种不一样分析方式，第一是做描述性的分析，第二是系统诊断性的分析，第三是预测性分析，第四是处方性分析，是属于决策。

怎么做到最佳决策？之前的方式，最佳决策只能透过情境分析，也就是透过一些假设，来判断下一个步骤应该怎么做，其实还不是真正的决策分析。

02数据分析的痛点洞察

在过往的经验中，大概发现数据分析主要有三个问题，导致没办法真正实现数字化和AI的赋能。

第一，分析工具割裂。

要想达到刚才的数据到决策，可能要熟悉描述性分析、诊断分析，必须要用BI。但即使最先进BI工具，也只能做到诊断性分析，知道现在发生什么事情。预测性分析就是现在最流行的机器自动学习，想预测到底发生什么事情，事情背后是哪些人属于重点客户，要卖什么产品，这叫做预测性分析，到最后就是做什么决策。这应该是10年前到20年前的概念了，最多只能做到情景分析、最适分析，而且可能还需要不一样的人，用不一样工具。从整个数据到决策链路，工具是割裂的。

第二，沟通困难。

这其中涉及到的角色有三个人，业务人员、IT人员、分析人员。最原始的需求发动者即业务人员，他做数据分析必须要跟IT和分析人员沟通，但懂业务的人不懂技术、懂技术的人不懂业务，不论大银行、大公司或其他企业都存在这个痛点。

第三，内部流程非常复杂，效率低下。

例如近期为某国有大银行做基本的数据分析，就我的经验可能花2-3天可以做出来，但实际跑了两周。为什么会这么慢？因为现在数据管理越来越严格了，整个数据结果需要做审批，数据库控管非常严格。

在一家企业内的业务需求者，包括运营人员、营销人员、管理人员。运营人可能想知道整个营销状况，营销人想知道对哪些客户做营销活动，管理人员想做例行的管理控制。但整个分析流程，是从提出分析需求、需求沟通、数据分析，最后结果不符合预期，这样周而复始，就会发现一些需求痛点：

第一，原始的需求方，没有自主分析能力，这也是最核心的问题。

第二，业务人员需要跟IT人员、分析人员沟通，但IT和分析人员不太懂业务人员的需求。

第三，IT人员经过复杂的数据整理，分析人员对数据完成分析的周期比较长。

第四，最后结果不如预期，再循环。

03大模型决策支持的利器-AI.Insight

伴随着大模型的出现，以上三个痛点都将逐步被解决。AI.Insight就是通过大模型加上增强分析，来赋能业务人员的。

2017年增强分析概念被提出，可以理解BI 3.0。在2019年其实发展已经非常蓬勃，而在2022年ChatGPT的出现，实现从概念到落地。如果说2023年属于AI元年，那么2024年-2025年，将会有越来越多成熟的产品真正落地。

这是个AI赋能数据分析的整体架构。

在整个架构里面可以分为两个层次，第一层是沟通交互，业务人员透过各种终端、透过人机交互，不需要去跟IT人员、分析人员沟通。第二层是自动化，大数据实现了自动做数据处理、自动做预测、自动迭代生成。

以前这是非常大的IT架构，从数据整理到数据分析、交互，现在大数据、大模型就可以把整个串联起来。升级后的流程就如上图右侧，也许数据接入还需要it人员，但后面的环节都是使用大模型的智能能力完成，包括自动数据处理、自主分析、自动化建模、自动机器学习。更重要的是这些往复过程，不是人跟人的沟通，是人跟机器沟通。最后他给到的是决策，不是一个建议方案，他认为你应该重视哪些事情、应该针对哪些人做动作、应该做什么动作，都是通过大数据、大模型的技术实现的。

业务人员利用大模型的人机交互，以问答的方式自动做数据处理、自动生成客户洞察、自动提供决策参考，让业务人员对整个市场洞察、对业务的剖析，能够实现自主完成所有数据分析的全流程，从而使业务人员分析洞察更深入。

分析建模人员透过人工智能可以做自动编程，只需要做大模型跟小模型之间调教，所以它可以赋能这两种人员。

左边是传统分析流程。以前面提到的某国有大行为例，为理财客户做留存，因为竞争非常激烈，客户流失非常严重，需要做套经营方案。按照传统的流程，需要先提出报表需求，分析客户为什么流失，然后IT做需求排期、数据准备、构建可视化报表，最后优化调整到业务人员，如果不满足需求，需要循回多轮次。

而现在通过增强分析，可以把最复杂那三个问题，第一是工具的问题，第二是人的问题，第三流程问题，都自动化处理。通过大模型，把数据自动做可视化展现、异常数据的自动识别、归因分析、客户特征分析生成数据，最后给到决策建议。

新的分析流程中，提供几个价值。

第一个自主，现在AI普遍化了，不是顶尖科学家专属的，AI可以让每个人都使用，业务人员随时随地提出分析需求，充分让业务人员实现自主。

第二个灵活，通过自然语言查询快速获取想要的分析结果，随时可以去提出问题，随时纠正。

第三个专业，能做多种数据分析、异常分析等操作，比IT人员更专业。

最后是高效，从问题到决策非常快速，可以一直修正问题，一直提供决策。

04零售连锁餐饮企业案例分析

某餐饮业在2022年整体的销售金额为增长态势，但2023年销售金额数据出现大幅下降。通过分析四大渠道，包括抖音、京东、拼多多以及天猫的销售数据，在2023年2月-7月业务下降的非常严重，需要去做更加精细的分析。他先从内部做分析后，产生了三个结论：第一是整个销售趋势下滑严重，第二是各渠道数据表现都不好，第三是之前的爆品现在也不香了。

这是用BI可以做的事情，但能满足决策需要吗？回答是不行的，原因有4点，分析时效差、质量差、深度差、应用差。

关于失效差，因为数据分析是个冗长的过程，可能需要2-3周；质量差，因为仰赖人工处理和分析，没有办法做控制；深度差，因人工分析只能做基本的描述性分析、诊断性分析，比较表面，没办法做预测性分析、角色分析；应用差，因为人只能知道状况，大部分的决策依靠经验。如果决策错误，可能没办法解决现况，而且决策错误也导致整个资源浪费，最重要是客户信任度下降，客户流失。

就餐饮行业而言，外部竞争非常激烈，从2023年1-6月新的餐饮注册量已经有超过200万家。如果只用传统BI工具做到基本的底层分析，无法做到更高的一些行动指导。通过使用AI.Insight，诊断出来几个问题，第一整个下滑渠道里面，抖音跟京东下滑最严重。第二爆品发生变化，原来爆品不香。第三各个渠道用户偏好不太一样。基于这三个问题给了三个建议：第一因为渠道的不同，客户喜好属性不一样，需要根据不同的渠道以及用户详细的购买记录，打造不一样爆品。第二最重要问题是流失，通过预测分析，提供特别的、有针对性的诱因，让流失客户再次活跃。第三品类非常多，可以针对客户产品关联性，做搭配销售，提高整个销售。通过这些经营决策分析，仅1个季度商家线上渠道复购率提升了20%，销售金额提高10%。

通过AI的交互能力、深度分析能力，可以实现从数据到决策。从去年到今年到明年大模型的落地，会给更多企业带来用户经营分析的强有力支持。

负责大数据应用技术及产品研发；知名大数据领域专家，超二十年大数据行业从业经验。曾任职于台湾中央研究院经济研究所、华润银行、招商银行等大型机构以及知名SAS软件公司并担任高级职务。受聘于深圳大学，担任银行业数字金融联合实验室专家、授课讲师、校外导师，负责共创课程研发及课程设计，为中国银行业数字化转型赋能。同时负责科学研究与项目落地实践，即有前沿技术研发能力又兼具大数据项目落地和实现能力。当前已带领团队完成数十项发明专利，推出数款大数据产品，助力八大行业数百家企业快速实现数智化应用。